a*启发式搜索算法的matlab仿真程序

基于MATLAB语音信号去白噪声、高斯白噪声分析的源程序，将白噪声中的1/10改成1/50就可滤除白噪声，高斯白噪声的就不用改了！

基于Gabor小波变换和人工神经网络的人脸识别方法，matlab代码

利用matlab处理对两幅图像的叠加处理 其中一幅作为前景需要提取主干信息，另一幅则作为背景图将第一幅中提取出的主干信息叠加到第二幅图像中三个色面的单独处理

林昌禄老师的天线工程手册，很经典的中文版。供大家下载参考文献303)第11章行波天线11.1行波人线的基本原理(305)11.2长线大线与V形天线菱形大线3104螺旋天线l1.5八木大线(324)l1.6表面波线(329)11.7漏波人线342)参与文献第12章宽频带天线12.1宽频带天线的基本概念12.2“宽带振子天线12.3加载天线(3692.4非频变大线(381)12.5宽频带喇叭大线(40212.6超宽频带接收天线(41012.7宽频带匹配技(413)参考文献第13章绒阵和平面阵13.1阵列线基础(4293.2线阵13.3平面阵13.4方向性和信噪比的最佳化13.5方向图综合(452参考文献(462)第14章微带天线463)概述(463)±4.2微带贴片大线466)14.3微带振子天线和微带隙缝天线(494)14.4宽频带、多频段和频率捷变技术(503)14.5微带线形天线与微带线阵5014.6微带面忤天线参考文献第15章喇叭天线(531)15.]通论15.2主模喇叭天线15.3双模喇叭天线547)15.4多模喇叭天线15.5波纹喇叭天线…56215.6组合喇叭人线15.7其他形式的喇58115.8校正喇叭口亩场的相位分布与透镜天线参考文献第16章反射面天线16·1基木方法和基木公式16.2单反射面天线—一抛物前天线16.3双反射亩天线16.4赋形双反射而天线610)6.5对称双镜天线的效分析6l2)6.6单偏置抛物亩人线16.7双偏置钷物面大线l6.8波束扫描反射面人线(628)6.9溅散板馈源天(638)喇叭抛物而天线(6416.1!抛物柱面天线16、12等强度线波束线(645)参若文献第17章相控阵天线6419)17.1相控:阵人线参数计算公式17.2料阵大线轴射方向性和旁瓣的挖制17.3阵元辐射器的选抒174移相器附遨择17.5相控忤馈电网络的设计(672)17.6相控阵天线的带宽678)17.7柑摔阵天线宽带和宽角匹配方法(681)17.8相控阵的暈化误差(684)17.9颛率扫描大线阵参考文献第18章信号处理天线与阵列倍号处理技术(693)(698.2倍号处理天线18.3自适应∵城滤波天线(718)4白适应抗扰大线系统(737)18.5空间谱估计技术(749第19章时域天线19.!时域人线的研究对象及指标(75l)9.2偶极天线(751)l9.3隙缝轴射器(754)19.4偶极子用作接收天线19.5加载天线19.6渐近线喇叭天线(756)19.7频率无关天线川时城人线19.8脉冲阵列天线75919.9时域凵径辋射及时域面大线19.10时域接收天线与发射天线的关系19.11馈电问题参考文献(769)第三篇天线应用第20章圆极化天线770)20.1引0.2圆极化波的特性与参数20.3圆极化器(7730.4电磁振子惻极化线0.5螺旋人线799)0.6隙缝闶极化天线20.7微带极化天线20.8反射器圆极化极化天线2(0.10其他圆极化天线与文献第21章长、中、短波和超短波通信天线21.!长、中波通信天线设计考虑2.2长、中波通信天线的基本形式及方问性1.3T型与T型大线214笼『型大线1.5高Q铁氧休加感人线(833)21.6短波通信天线设(8321.7水平极化与垂直极化知波通信天线1.8笕带短波通信人线21.9超短波通信天线设计(86721、10超短波接力通信大线1.于栘动通信873参考文献第22章卫星通信天线879)2.l卫星通倍天线发展状况(8792.2对称型双反射镜通信地球站天线的设计22.3对称双镜天线的赋形技术(892)224且星通信天线获得低旁瓣的办法22,5对称型双镜卩通信天线旁瓣源的分析与计算(907)2.6馈源的设计与选择22.7多波束星通信地球站天线22.8跟踪体制及选择参考文献939)第23章雷达天线9403.1达大线的般设计要求………23.2笔形泼束天线扇形波束天线23.4赋形波束人线—余割平方天线…(948)精密龈踪达天线一-单脉冲线及馈源设计(951)36H达天线的电扫描精度妓波束控制(96223.7超视进雷达大线23.8合成!径人线974)参考文献第24章测向天线980)24.)测向系统天线设计原则980)4.2测向系统单兀人线4.3测向系统的宽孔径天线(983244多波束测向24.5伏尔与多普勒伏尔地面天线992)塔康人线24.7仪表着陆系统和微波着陆系统天线(997248环境对测向线场性能的影24.9测向大线系统的误差分析与性能评估考文献第25章飞行体上的天线(I0235.1飞行体L的大25.2椭圆桂面和双曲柱上:的天线l025)253椭圆柱体上的天线园锥体上的天线(045)255椭球体上的天线(105025.6飞行体天线的电兼谷(1056)献第26章毫米波天线概述26.2反射面天线与亳米波馈26.3表衣面被与漏波大线264微带天线与其他的印制天线(I099)26.5集成大线(1108)参考文献第四篇相关论题第27章天线罩(1113般设计考虑(l11327.2外形与结构27.3材料选择(1115)274电磁性能设计参考文前第28章天线的雷达散射截面般概念(1143)28.2反射面天线的R(114728.3阵列人线的HCS1162大线RCS的减缩8.5天线H(S的测量参考文献第29章天线测量(119629.1天线测试场的设计与鉴定(1l969.2振幅方向图测量29.3增益测量(12l0294极化测量(l21929.5相位测量(1223)29.6近场测量(1226)29.7阻抗测量298模型天线法(1242)9.9射电源法(2439.10天线的时域测量参考文献第一篇天线基础第1章引1.1天线功能大线在无线电设备中的主裳功能有两个:第个是能量转换功能,第一个是定向镉射(或接收)功能能量转换功能是指导行波与自由空间波之间的转换,发射天线是将馈线引导的电磁波(高频电流)转换为向空问辐射的电磁波传向远方,接收天线是将空闾的磁波转换为馈线引导的电嵫波(高频电流)送给接收机定向作用是指线辐射或接收电磁波有定的方向性,根据无线电系统设备的要求,发射天线可把电磁波能量集中在一定方向轴射出去,接收天线可只接收特定方向传来的电憾波可以看出,发射天线和接收天线之间的关系类似于发电机与电动机之间的关系,前者是在导行波与自由河波之间往返变换,后者圳在机械能和电能之间往返变换,这种相似性表明:收、发天线之间存在着·定的可逆性。第二汽中4易原理的讨论将证明,只要天线中不含有非线件材料(如铁氧体器件),同一副天线用作发射和川作接收时,其基木特性保持不变。此,本于册中讨论的各种类型天线一般都不特别注明它是发射天线或是接收天线(除特殊应川场合外),都按发射天线处埋。1.2天线类型随着无线电技术的飞速发展和无线电设备应用场合的H靥扩展,已出现了适于不同用途种类繁多的天线,在天线工程设计中选择哪种类型大线很人程度上取决于特应川场合系统的电气和机械方面的要求阵列大线对品种繁多的大线进行分类是件十分难的事。若按工作性线、蛋达天线播天线、电视人线等:若按频段又可分为长波天10 K 100k IM IOM IG 10G 100(线、中波天线、短波天线微波线等。但这些分类法都显得笼不太科学因为有的线既可作发射又可作接收,甚至可收发共用;有的大线既叮用丁通信又可用背达;有的大线既适用于短波又适用于超知波甚至微波。很难将它归属于哪一类行业天线手册将从三个人的方面来讨论天线I程问题,即犬线基础、天线设计和天线应用。在大线分类上则按天线辐射方式进行,适当考虑天线结构、作频段和应川等判素。我们将天线分为四组人寸(/x基木类型:线元天线、行波天线、阵列大线和孔径大线。它们适用的频率范围和天线的大致电尺寸如图1-1所示。表1.1中举出图1-1天线分类些常用天线实例及属的天线类别当然,将天线类型简单地划分为这四红基本形式也仅是·种近似,不能说它十分严密的科学性,因为总还能找到一些例外。但这种分类法有利于读者对本于册的阅表1.1天线类型线元天线阵列大孔径天线单极天线侧射阵角铧喇叭偶极天线菱形天端射阵扇形喇叭螺旋天线直线阵员喇叨陈缠人平面阵多模喇叭载体大线对数时期天线圆形阵混合模喇叭微带天线慢曼波天线波纹喇叭加载大线快波大线信号处坪抛物而瘌叭有源天线漏波逗应阵仪锥大线表面波天线多波束阼单反射面天线鞭状夫线长介质棒天线相控阵双反射面天线密度加权阵球形反射面无线极低副瓣阵偏置反射面天线「焦反射面天线切割反射面天线孔径扫描天线透镜天线角形反射面大线背射人线1.3场区划分假设将发射大线置于图1-2所示球坐标系统的原点处,它向周围辐射电磁波,则其周围的电磁波功率密度(或场强)分布般都是距离r及角坐标(6,q)的函数。因此根据离开天线距离天线位置的不同,将天线周围的场区划分为感应场区,辐射近场区和辐射远场区感应场区感应场冈是指很靠近天线的区域。在这个场区里,电磁波的图t-2球坐标中的天线感应场分量远大于辐射场,而占优势的感应场之电场和磁场的时间相位相差90°,坡印亭矢量为纯虛数,因此,不辐射功率,电场能量和磁场能量柑互交替地贮存于天线附近的空间内。图1-3(a)所小电尺寸小的偶极天线,其感应场区的外边界是λ/2x。这里,入是工作波长。无限大孔径大线不存在感应场区,有限大孔径天线,在其中心区域感应场区仍可忽略,只是在孔径边缘附近存在感应场,感应场随离川天线距离的增加而极快衰减,超过感应场区后,就是辐射场占优势的辐射场区了。图1-3(6)所示电人寸大的孔径大线的帮射场区又分为近场区和远场区1.3.2辐射近场区辐射近场区里电磁场的角分布与离开大线的距离有关,即在不同距离处的天线方向图是不同的。这是因为:(a)由天线各辐射元所建立的场之相对相位关系是随距离而变的;(b)这些场的相对振幅也是随距离而改变的。在辐射近场区的内边界处(即感应区的外边界处),天线方向图是-个主瓣和副瓣难分的起伏包感应场区辐射远场区辐射近场区感应b)孔径天线(a)电尺小小偶坂天线图13天线周围的场区络。随饣离开线距离的增加,直到近远场辐射区时天线方向图的主瓣和副瓣才明显形成,但零点电乎和副辦电平均较3.3辐射远场区辐射近场区的外边就是轴射远场区。这个区域里的特点是:(1)场的大小与离开天线的距离成反比;(2场的角分布(即方问图)与离开天线的距离无关;(3)方向图瓣、鲥瓣和零值点已全部形成辐射远场风的起始边界通常规定为2D(1.1式中,R是从观察点到天线的距离,D足天线孔径的最大线尺寸在这个距离上,孔径中心与孔径边缘到观察点的行程差为边缘与中λ/16,相应的相仪差为225°如果在这个距离上对孔经天线的辐程差=k缘与中心射特性进行测量,其结果与在无穷远距离上测得的结果相差甚微程差=λ/4在【程上是完全可以接受的天线通常是用来向远场区传送能量,因此,天线上作者的主要兴趣也在这一区域上。对孔径线尺寸为D,孔径面上相位恒定的大电尺寸天线而言,远场区的大部分能量集中在±λD弧度的角空间内;在靠近天线的地方,能量主要集中在宽度为D的管道内,如图1-4所示。在近场区的起始部分,可认为辐射大体|是平平行波束区标准-3d点行的;在R≥D2/2A的过渡区域内,场以半角为A/D弧度的锥形向外发散,R=D2/2A处的孔径中心与边缘行程差为A;在R≥近场区R=2Da/k场区2D2/A处则是天线的辐射远场区场在近场区域内的细微变化情况是复杂的,它取决于孔径面图1-4孔径人线的辐射上的特定振幅分布,但流过任一近场“管道”截面的功率恒等于总的辐射功率、随着向远场区的接近,功率密度逐渐趋于1/R2规律变化4功率传输若收、发天线相互处于远场区内,相距为R,若已知发射功率为P1,问接收天线接收的功率为多少?这是-个很有实际用途的工程向题无论通信、需达或电视、播,只要是无线信总传输系统都会面临这题,它与天线特性密切相关,因此,下面进行简要讨论设收发天线设置的相对坐标如图1-5所示。发射线输入功率为P,天线效率为,则辐射功率将是P该辐射功率P住接收天线处产生的功率密度为日,q)D).(6,g)4πR

【实例简介】USB转CAN开源资料,有源码，原理图，PCB版图

【实例简介】复倒谱的原理与计算及其MATLAB仿真程序，复倒谱技术

实现了矩阵中的各种操作， 包括矩阵相加，相减，矩阵乘法，矩阵转秩，余子式，求行列式的值，求矩阵特征值，LU 分解，QR 分解，求现行方程组的解等等。 是任何做科学计算工作者必备的类库。此类库也是C++初学者极好的参考资料。类库的实现运用了运算符重载，友元，异常处理，文件输入输出，函数重载，指针，动态分配内存等一系列C++技术。此类库是我在美国研究生阶段的一个Term Project.品质保证。

word2vec_中的数学原理详解个人收集电子书，仅用学习使用，不可用于商业用途，如有版权问题，请联系删除！wordzvec中的数学hoty@163.com2014年7月目录前言2预备知识2.1 sigmoid函数2.2逻辑回归3 Bayes公式2.4 Huffman编码,,,,,,,,524.1Humu树242 Huttman树的构造62.4.3 Huffman编码..,.3背景知识3.1统计语言模3.2n-gram模型103.3神经概率语言模型123.4词向量的理解4基于 Hierarchical softmanⅹ的模型41CBOW模型..191.1.1网络结构41.2梯度计算201.2 Skip-gram模型42.1网络结构42.2梯度计算255基于 Negative sampling的模型285.1CBOW模型285.2 Skip-gram模型53负采样算法326若干源码细节346.1a(x)的近似计算62词典的存储63换行符3564低频词和高频词366.5窗口及上下文3766自应学习率3767参数初始化与训练386.8多线程并行3869几点疑问和思考11m3881前言word2vec是 Google于2013年开源推出的一个用于获取 word vector的工具包,它简单、高效,因此引起了很多人的关注,由于word2vec的作者 Tomas nikolov在两篇相关的论文(,[4)中并没有谈及太多算法细节,因而在一定程度上增加了这个工具包的神秘感些按捺不住的人于是选择了通过解剖源代码的方式来一窥究竟第一次接触word2ve是2013年的10月份,当时读了复且大学郑骁庆老师发表的论文7,其主要工作是将SENA的那套算法(8])搬到中文场景.觉得挺有意思,于是做了一个实现(可参见[20),但苦于其中字向量的训练时间太长,便选择使用word2we来提供字向量,没想到中文分词效果还不错,立马对word2vec刮目相看了一把,好奇心也随之增长后来.陆陆续续看到∫word2ve的一些具体应用,而 lomas nikolov团队本身也将其推广到了句子和文档(),因此觉得确实有必要对word2vec里的算法原理做个了解,以便对他们的后续研究进行追踪.于是,沉下心来,仔细读了一回代码,算是基本搞明臼里面的做法了.筼一个感觉就是,“明明是个很简单的浅层结构,为什么被那么多人沸沸扬扬地说成是Decp Learning呢?”解剖word2vec溟代码的过程中,除了算法层面的收获,其实编程技巧方面的收获乜颇多.既然花了功夫来读代码,还是把理解到的东西整理成文,给有需要的朋友提供点参考吧在整理本文的过程中,和深度学习群的群友北流浪子(15,16)进行了多次有益的讨论在比表示感谢另外,也参考了其他人的一些资料,鄱列在参考文献了,在此对他们的工作也并表示感谢2预备知识本节介绍word2vee中将用到的些重要知识点,包括 sigmoid函数、 Beyes公式和Huffman编码等821 sigmoid函数sigmoid函数是神经网络中常用的激活函数之一,其定义为1+e该函数的定义域为(-x,+x),值域为(0,1).图1给出了 sigmoid函数的图像0.5图1 sigmoid函数的图像sigmoid数的导函数具有以下形式)=0(x)1-0(x)由此易得,函数logo(a)和log(1-0(x)的导函数分别为log o(a)(21)公式(2.1)在后面的推寻中将用到822逻辑回归生活中经常会碰到二分类问题,例如,某封电子邮件是否为垃圾邮件,某个客户是否为在客户,某次在线交易是舌仔在诈行为,等等.设{(x,)}1为一个二分类问题的样本数据,其中x∈R",∈{0,1},当1=1时称相应的样本为正例,当v=0时称相应的样本为负例利用 sigmoid函数,对于任意样木x=(x1,x2,…,xn),可将二分类问题的 hypothesis函数写成h(x)=0(o+61x1+622+…+nxn),其中0=(0o,01,…,O)为待定参数.为了符号上简化起见,引入x0=1将x扩展为(x0,x1,x2,…,xrn)},且在不引起混淆的情况下仍将其记为ⅹ.于是,he可简写为取阀值T-0.5,则二分类的判别公式为1,b(x)≥0.5y(x0.5那参数θ如何求呢?通常的做法是,先确定一个形如下式的整体损失函数∑co(x,v)然后对其进行优化,从而得到最优的參数θ实际应用中,单个样本的损失函数cost(x,)常取为对数似然函数cosl(xi, yi)),v-1;(1-(x),v=0注意,上式是一个分段函数,也可将其写成如下的整体表达式cost(x2,3)=·log(ho(x)(1y1)·log(1h(x)323 Baves公式贝叶斯公式是英国数学家贝叶斯( Thomas Bayes)提出来的,用来描述两个条件概率之间的关系.若记P(A),P(B)分别表示事件A和事件B发生的概率,P(AB)我示事件B发生的情况下事件4发生的慨率P(A,B)表示事A.B同时发生的概率.则有P(AB)P(B), P(BLA)=P(A, B)P(A, B利用上式,进一步可得P(B AP(AB)-P(A)P(B)这就是 Bayes公式g2.4 Huffman编码本节简单介绍Humn编码(具体内容主要来白百度百F的词条.[10),为此,首先介绍Huffman树的定义及其构造算法§24.1 Huffman树在计算机科学中,树是一种重要的非线性数据结构,它是数据元素(在树中称为结点)按分支关系组织起来的结构.若干棵互不相交的树所构成的集合称为森林.下面给出几个与树相关的常用概念·路径和路径长度在一棵树中,从一个结点往下可以达到的孩子或孙子结点之间的通路,称为路径.通路中分支的数目称为路径长度.若规定根结点的层号为1,则从根结点到第L层结虑的路径长度为L-1●结点的权和带权路径长度若为树中结点赋予一个具有某种含义的(非负)数值,则这个数值称为该结点的权结点的带权路径长度是指,从根结点到该结点之间的路径长度亐该结点的杈的乘矾·树的带权路径长度树的带权路径长度规定为所有叶子结点的带权路径长度之和二叉树是每个结点最多有两个子树的有序树.两个子树通常被称为“左子树”和“右子树”,定义中的“有序”是指两个子树有左石之分,顺序不能颠倒给定n个权值作为n个叶子结点,树造一棵二叉树,若它的带权路径长度达到最小,则称这样的二叉树为最优二叉树,也称为 Huffman树82.4.2 Huffman树的构造给定m个权值{mn,m2;…,mn}作为二叉树的m个叶子结点,可通过以下算法来构造颗 Huffman树算法2.Ⅰ(Hu「man树构造算法)(1)将{1,2,……,wn}看成是有n棵树的表林(每树仅有一个结点)2)在森林中选出两个根结,的权值最小的树合并,作为-棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和〔3)从森林中燜除选取的两樑树,并将新树加入森林(4)重复(2)、(3)步,直到森林中只剩一棵树为止,该树即为所求的 luffman树接下来,给出算法2.1的一个具体实例例2.1假设2114年世界杯期间,从新浪毀博中抓取了若干条与足球相关的微博,经统计,“我”、“喜欢”、“观看”、“巴西”、“足球”、“世界杯”这六个词岀现的次薮分别为15,8,6,5,3,1.请以这6个词为叶子结点,以相应词频当权值,构造一棵Hu∥n树.⊙Q⑨Q⊙只66如→只只③⊙图2 Huffman树的构造过程利用算法.,易知其枃造过程如国g所示,团中第六步给出了最终的 Hutman树,由囚可见词频越大的词离根结点越近构造过程中,通过合并新増的结点被标记为黄色.由于每两个结点邡要进行一次合并,因此,若叶子结点的个数为η,刘枃造的H們πω树中新増结点的个数为π-1.本例中n6,因此新增结,的个数为5注意,前面有捉到,二叉树的丙个子树是分左右的,对于某个非叶子结点来说,就是其两个孩子结点是分左右的,在本例中,统一将词频大的结点作为左孩子结点,词频小的作为右孩子结点当然,这只昃一个约定:你要将词頻大的结点作为右孩子结点也浸有问题§24.3 Huffman编码在数据通倍中,需要将传送的文宁转换成二进制的字符串,用0,1码的不同排列米表示字符.例如,需传送的报文为“A上 TER DATA EAR ARE ART AREA”,这里用到的字符集为“A,E,R,T,F,D”,各字母出现的次数为84,5,3,1,1,现要求为这些字母设计编码要区别6个字母,最简单的二进制编码方式是等长编码,固定采用3位二进制(23=8>6),可分别用000.001、010、011、100、101对“A,E,R,T,F,D”进行编码发送,当对方接收报文时再按照三位一分进行译码显然编码的长度取决报文中不同字符的个数,若报文中可能出现26个不同字符,则固定编码长度为5(2=32>26).然而,传送报文时总是希望总长度尽可能短.在实际应用中,各个字符的出现频度或使用次数是不相同的,如A、B、C的使用频率远远高于X、Y、7,自然会想到设计编码时,让使用频率高的用短码,使用频率低的用长码,以优化整个报文编码.为使不等长编码为前缀编码(即要求一个字符的编码不能是另一个字符編码的前缀),可用字符集中的每个宇符作为叶子结点生成一棵编码二叉树,为了获得传送报文的最短长度,可将每个字符的岀现频率作为字符结烹的权值赋予该结点上,显然字使用频率越小权值越小,权值越小叶子就越靠下,于是颎率小编码长,频率高编码短,这样就保证了此树的最小带权路径长度,效果上就是传送报文的最短长度.因此,求传送报文的最短长度问题转化为求由字符集中的所有字符作为叶子结点,由字符出现频率作为其权值所产生的Hman树的问题.利用 Hultman树设计的二进制前缀編码,称为 LuminaL编码,它既能满足前缀编码的条件,又能保证报文编码总长最短本文将介绍的word2ve工具中也将用到 Huffman编码,它把训练语料中的词当成叶子缩点,其在语料中出现的次数当作权值,通过构造相应的 Huttman树来对每一个词进行Huffman编码图3给岀了例2.1中六个词的 Huffman编码,其中约定(词频较大的)左孩子结点编码为1,(词频较小的)石孩子编码为θ.这惮一米,“我”、“喜欢”、“观看”、“巴西”、“足球”、“世界杯”这六个词的 Huffman编码分别为0.111,110,101,1001和10000我告欢巴匹0足球图3 Huffman编码示意图注意,到目前为止,关于 Huttman树和 Huttman編码,有两个约定:(1)将权值大的结点作为左孩子结点,权值小的作为右孩子结点(2)左孩子结点编码为1,右孩子结点编码为0.在word2vec源码中将权值较大的孩子结点编码为1,较小的孩子结点编码为0.为与上述约定统一起见,下文中提到的“左孩了结点"都是指权值较大的孩了结点83背景知识word2vec是用来生成词向量的工具,而词向量与语言模型有着密切的关系,为此,不妨先了解一些语言模型方面的知识83.1统计语言模型当今的互联网迅猛发展,每天都在产生大量的文本、图片、语音和视频数据,要对这些数据进行处理并从中挖掘岀有价值的信息,离不开自然语言处理( Nature Language processing,NP)技术,其中统计语言模型( Statistical language model)就是很重要的一环,它是所有NLP的基础,被广泛应用于语音识别、机器翻译、分词、词性标注和信息检索等任务.例.1在语音识别糸统中,对于给定的语音段Vire,霄要找到一个使概率p( TertVoice最大的文本段Tert.利用 Bayes公式,有P(Teat voice)p(VoiceText). p(Textp(Voice)其中p( CicetE.c)为声学模型,而 elEct)为语言模型(18])简单地说统计语言模型是用来计算一个句子的概率的概率模驷,它通常基于一个语料库来构建.那什么叫做一个句子的概率呢?假设W=m1:=(m1,2,…,mr)表示由T个词,2,……,按顺序构成的一个句子,则1,c2…,w的联合慨率p()=p(x1)=p(01,t2,…,r)就是这个句子的概率利用 Bayes公式,上式可以被链式地分解为p(uh)-p(1)·p(u2lu1)p(u3lu2)…p( wru-1),(3.1)其中的(条件)概率p(1),p(2t1),p(un),…,p(mr1-)就是语言模型的参数,若这些参数已经全部算得,那么给定一个句子U1,就可以很快地算出相应的p(1)了看起来奷像很简单,是吧?但是,具体实现起来还是有点麻烦.例如.先来看看模型参数的个数.剛刚才是考虑一个给定的长度为T的句子,就需要计算T个参数.不妨假设语料库对应词典D的大小(即词汇量)为N,那么,如果考虑长度为T的任意句子,理论上就有M种可能.而每种可能都要计算T个参数,总共就需要计算TN7个参数.当然,这里只是简单估算,并没有考虑重复参数,但这个量级还是有蛮吓人.此外,这些概率计算好后,还得保存下来,因此,存储这些信息乜需要很大的內存开销此外,这些参数如何计算呢?常见的方法有n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场、神经网络等方法,本文只讨论n-gram模型和神经网络两种方法.首先来看看 n-gram模型

作者：BERNT SCHIELE 其是计算机视觉以及模式识别方面权威人士，本文重点总结HOG+SVM在分类识别方面的性能，并同其它算法如Adboost,Shape modebased等都作为了比较，相信对于这方面技术比较感性趣的朋友读完此文之后，对于整个识别算法方面有一个比较全面的了解！

基于QT的五子棋系统，包括人人对战，人机对战和局域网联机对战三种模式。还包括悔棋，提示，计时，截图，即时聊天，背景音乐，背景图片。页面简洁美观。个人作业，可能写得不太清晰，请多多包涵~